CN110400103B - 补货量确定方法、装置、计算机装置及存储介质 - Google Patents

补货量确定方法、装置、计算机装置及存储介质 Download PDF

Info

Publication number
CN110400103B
CN110400103B CN201910378326.0A CN201910378326A CN110400103B CN 110400103 B CN110400103 B CN 110400103B CN 201910378326 A CN201910378326 A CN 201910378326A CN 110400103 B CN110400103 B CN 110400103B
Authority
CN
China
Prior art keywords
sales
data
commodity
sold
abnormal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910378326.0A
Other languages
English (en)
Other versions
CN110400103A (zh
Inventor
赵成龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
OneConnect Financial Technology Co Ltd Shanghai
Original Assignee
OneConnect Financial Technology Co Ltd Shanghai
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by OneConnect Financial Technology Co Ltd Shanghai filed Critical OneConnect Financial Technology Co Ltd Shanghai
Priority to CN201910378326.0A priority Critical patent/CN110400103B/zh
Publication of CN110400103A publication Critical patent/CN110400103A/zh
Application granted granted Critical
Publication of CN110400103B publication Critical patent/CN110400103B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Finance (AREA)
  • Data Mining & Analysis (AREA)
  • Accounting & Taxation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种补货量确定方法包括：查询每一待销售商品的库存量数据；确定每一待销售商品的第一商品特征以及补货量预测时间段对应的第一外部特征；获取当前的销量异常商品以及历史销量数据，确定所述销量异常商品的第二商品特征以及所述历史销量数据对应时间段的第二外部特征；判断所述待销售商品是否属于所述销量异常商品的其中一种；若是，将所述历史销量数据、第二商品特征及第二外部特征输入所述原始销量预测模型得到优化销量预测模型，将所述第二商品特征及第一外部特征输入优化销量预测模型中。本发明还提供一种补货量确定装置、计算机装置及存储介质，能够结合待销售商品以及销量异常商品的历史销量数据，利用机器学习获得各类商品的预测销量数据。

Description

补货量确定方法、装置、计算机装置及存储介质
技术领域
本发明涉及计算机技术领域，具体涉及一种补货量确定方法、补货量确定装置、计算机装置及计算机可读存储介质。
背景技术
在商品销售行业，销量预测是一项不可缺少的参考指标，无论企业的规模大小、人员多少，销量预测影响到包括计划、预算和补货等确定在内的销售管理的各方面工作。但是，相关技术方案中由于对数据的非全面的笼统分析，导致销量预测结果并不准确，导致补货量的预测结果也不准确，这就可能造成货品积压而导致其丧失使用价值，或者货品数量不足而使消费者无法购得商品，进而影响用户体验。
发明内容
鉴于以上内容，有必要提出一种能够准确预测补货量的补货量确定方法及装置、计算机装置和计算机可读存储介质。
本申请的第一方面提供一种基于数据分析的补货量确定方法，应用于一计算机装置中，所述计算机装置能够与多个电子终端进行通信，每一电子终端应用于一销售门店，所述补货量确定方法包括：
向至少一电子终端发送一第一查询指令，所述第一查询指令用于控制所述电子终端查询所述销售门店中每一待销售商品的库存量数据；
接收所述电子终端所查询的所述待销售商品的库存量数据，并确定一晚于当前时间的补货量预测时间段；
确定每一所述待销售商品的第一商品特征以及所述补货量预测时间段对应的第一外部特征；
从网络上获取当前的销量异常商品以及所述销量异常商品的历史销量数据，确定所述销量异常商品的第二商品特征以及所述历史销量数据对应时间段的第二外部特征；
判断所述待销售商品是否属于所述销量异常商品的其中一种；
当所述待销售商品不属于所述销量异常商品的其中一种时，将所述待销售商品的所述第一商品特征以及所述第一外部特征输入一预先训练得到的原始销量预测模型中，触发所述原始销量预测模型计算所述待销售商品的预测销量数据；
当所述待销售商品属于所述销量异常商品的其中一种时，将所述销量异常商品的所述历史销量数据、所述第二商品特征以及所述第二外部特征输入所述原始销量预测模型以重新进行训练，得到一优化销量预测模型，然后将所述第二商品特征以及所述第一外部特征输入所述优化销量预测模型中，触发所述优化销量预测模型计算所述销量异常商品的预测销量数据；以及
根据所述预测销量数据以及所述库存量数据确定所述待销售商品的补货量数据。
本申请的第二方面提供一种基于数据分析的补货量确定装置，应用于一计算机装置中，所述计算机装置能够与多个电子终端进行通信，每一电子终端应用于一销售门店中，其特征在于，所述补货量预测装置包括：
第一查询模块，用于向至少一电子终端发送一第一查询指令，所述第一查询指令用于控制所述电子终端查询所述销售门店中每一待销售商品的库存量数据；
接收模块，用于接收所述电子终端所查询的所述待销售商品的库存量数据；
确定模块，用于确定一晚于当前时间的补货量预测时间段，并确定每一所述待销售商品的第一商品特征以及所述补货量预测时间段对应的第一外部特征；
获取模块，用于从网络上获取当前的销量异常商品以及所述销量异常商品的历史销量数据，所述确定模块还用于确定所述销量异常商品的第二商品特征以及所述历史销量数据对应时间段的第二外部特征；
判断模块，用于判断所述待销售商品是否属于所述销量异常商品的其中一种；
第一数据输入模块，用于当所述待销售商品不属于所述销量异常商品的其中一种时，将所述待销售商品的所述第一商品特征以及所述第一外部特征输入一预先训练得到的原始销量预测模型中，触发所述原始销量预测模型计算所述待销售商品的预测销量数据；
第二数据输入模块，用于当所述待销售商品属于所述销量异常商品的其中一种时，将所述销量异常商品的所述历史销量数据、所述第二商品特征以及所述第二外部特征输入所述原始销量预测模型以重新进行训练，得到一优化销量预测模型，然后将所述第二商品特征以及所述第一外部特征输入所述优化销量预测模型中，触发所述优化销量预测模型计算所述销量异常商品的预测销量数据；以及
补货量确定模块，用于根据所述预测销量数据以及所述库存量数据确定所述待销售商品的补货量数据。
本申请的第三方面提供一种计算机装置，所述计算机装置包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如前所述的基于数据分析的补货量确定方法。
本申请的第四方面提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如前所述的基于数据分析的补货量确定方法。
本发明实施例能够结合待销售商品以及销量异常商品的历史销量数据，利用机器学习获得各类商品的预测销量数据，为预测补货量提供科学的数据支持，提高决策的正确性。
附图说明
图1是本发明实施例一提供的补货量确定方法的流程图。
图2是图1所示的补货量确定方法在步骤S18之后的流程图。
图3是本发明实施例二提供的补货量确定装置的结构示意图。
图4是本发明实施例三提供的计算机装置示意图。
符号说明
计算机装置 1
存储器 20
处理器 30
计算机程序 40
补货量确定装置 10
第一查询模块 101
接收模块 102
确定模块 103
获取模块 104
判断模块 105
第一数据输入模块 106
第二数据输入模块 107
补货量确定模块 108
第二查询模块 109
修正模块 110
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
实施例一
请参阅图1所示，是本发明第一实施例提供的基于数据分析的补货量确定方法的流程图。所述补货量确定方法应用于一计算机装置中。所述计算机装置能够与多个电子终端进行通信。每一电子终端应用于一销售门店。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
步骤S11，向至少一电子终端发送一第一查询指令，所述第一查询指令用于控制所述电子终端查询所述销售门店中每一待销售商品的库存量数据。
在本实施方式中，由于销售门店通常都会记录每一待销售商品的进货数据以及历史销量数据并存储于所述电子终端中，因此，所述电子终端能够在接收到所述第一查询指令时，直接查询所存储的所述待销售商品的历史销量数据。其中，所述历史库存量数据可根据所述商品的进货数据以及历史销量数据计算获得。
其中，所述第一查询指令中包括早于当前时间的一预设时间段，所述预设时间段的开始时间以及结束时间可以根据实际需要进行设置。如，所述预设时间段为：从2018年9月1日至2018年9月30日。在接收到所述第一查询指令时，所述电子终端查询所述预设时间段内的所述库存量数据。
步骤S12，接收所述电子终端所查询的所述待销售商品的库存量数据，并确定一晚于当前时间的补货量预测时间段。
其中，当所述计算机装置想要获知未来某一时间段的所述待销售商品的补货量时，便可以将所述时间段设定为所述预设时间段。
步骤S13，确定每一所述待销售商品的第一商品特征以及所述补货量预测时间段对应的第一外部特征。
在本实施方式中，所述第一商品特征为对所述待销售商品的历史销量数据影响较大的特征，所述第一商品特征包括，但并不限于，所述待销售商品的商品种类、品牌以及销售价格等。
在本实施方式中，所述第一外部特征包括所述补货量预测时间段对应的时间属性以及天气特征中的至少一个。
其中，所述时间属性可以通过查找所述补货量预测时间段的日历得到。所述时间属性可以划分为工作日、双休日、节假日等；不同时间属性下当天不同商品种类对应的销售量通常具有较大的区别，例如，工作日中，面包、牛奶、便捷类生活用品等商品销量较高；双休日中，粮油、调料、大型生活日化类等商品销量较高；而节假日中，礼盒类、烟酒类、轻奢类的商品销量较高。
所述天气特征可以通过查询天气预报得到。所述天气特征可以包含温度、湿度、风速、雨雪、压强等参数。不同天气特征下当天不同商品种类对应的销售量也通常具有较大的区别，例如，高温天气下，饮料、雪糕等商品销量较高；阴冷天气下，饼干、零食等商品销量较高；而雨雪天气下，由于行人外出受阻，可能所有的商品销量均较低。
步骤S14，从网络上获取当前的销量异常商品以及所述销量异常商品的历史销量数据，确定所述销量异常商品的第二商品特征以及所述历史销量数据对应时间段的第二外部特征。
在本实施方式中，所述计算机装置通过网络接口从网络上获取所述销量异常商品以及所述销量异常商品的历史销量数据。其中，所述网络接口可为有线网络接口或无线网络接口。优选地，所述无线网络接口为Wi-Fi接口。
其中，所述销量异常商品包括畅销商品以及滞销商品。在本实施方式中，所述计算机装置通过网络连接多个虚拟购物平台，并从所述虚拟购物平台中获取所述销量异常商品以及所述销量异常商品的历史销量数据。进一步地，所述计算机装置还可通过网络连接至少一搜索引擎，并根据预设关键字通过所述搜索引擎搜索出所述销量异常商品以及所述销量异常商品的历史销量数据。具体地，所述预设关键词可划分为第一类预设关键词以及第二类预设关键词，所述第一类预设关键词可设置为“畅销”、“滞销”、“大卖”、“断货”等，所述第二类预设关键词可设置为“销量”、“销售量”等。当所述计算机装置搜索到包括所述预设关键词的网页时，定位所述预设关键词并提取所述预设关键词对应的内容，并将所提取的内容作为所述销量异常商品以及所述销量异常商品的历史销量数据。为提高内容提取的准确性，由于每一预设关键词对应的内容通常与所述预设关键词位于同一段落，在本实施方式中，在定位所述预设关键词在所述网页中的位置后，所述计算机装置还识别与所述预设关键词位于同一段落的段落内容，对所述段落内容进行语言逻辑关系分析，从而将所述段落内容拆分为至少一词语单元，然后将符合特定语义的词语单元作为所述关键词对应的所述内容提取出来。
例如，所述网页部分记载了：要说这个初夏最畅销的，全家连锁超市的椰子冻俨然成了新一届网红…。
因此，在定位第一类预设关键词“畅销”在所述网页中的位置时，所述计算机装置识别同一段落的段落内容“要说这个初夏最畅销的，全家连锁超市的椰子冻俨然成了新一届网红”，然后，根据语言逻辑分析将所述合同内容拆分为“要说”、“这个初夏”、“最畅销的”、“全家连锁超市的”、“椰子冻”、“俨然成了”以及“新一届网红”，由于“椰子冻”最符合商品的语义，所述计算机装置将“椰子冻”作为第一类预设关键词“畅销”后对应的内容并提取出来。
在本实施方式中，所述第二商品特征为对所述销量异常商品的历史销量数据影响较大的特征，所述第二商品特征包括，但并不限于，所述待销售商品的商品种类、品牌以及销售价格等。
在本实施方式中，所述第二外部特征包括所述历史销量数据对应时间段的时间属性以及天气特征中的至少一个。
步骤S15，判断所述待销售商品是否属于所述销量异常商品的其中一种。若是，则进行步骤S17；否则，则进行步骤S16。
步骤S16，将所述待销售商品的所述第一商品特征以及所述第一外部特征输入一预先训练得到的原始销量预测模型中，触发所述原始销量预测模型计算所述待销售商品的预测销量数据。
在本实施方式中，所述销量预测模型为所述计算机装置根据所述待销售商品的多组历史销量数据以及对应的商品特征和外部特征训练得到。其中，所述计算机装置从所述电子终端获取所述历史销量数据，将所述历史销量数据以及对应的商品特征和外部特征输入至预设的机器学习模型中进行训练，直至机器学习模型的损失函数值收敛，结束训练，得到所述原始销量预测模型。由于采用多组历史销量数据以及对应的商品特征和外部特征对所述原始销量预测模型进行训练，作为一种有监督学习，有利于得到更加合理的预测模型，从而能够对未来的销量数据进行更加准确的预测。其中，训练所述原始销量预测模型时，可使用机器学习算法，如逻辑回归(Logistic Regression，简称LR)算法、支持向量机(Support Vector Machine，简称SVM)算法以及迭代的决策树(Gradient BoostingDecision Tree，简称GBDT)算法等标准的二分类训练方法，或是一类支持向量机(OneClass SVM)等单分类训练方法。
步骤S17，将所述销量异常商品的所述历史销量数据、所述第二商品特征以及所述第二外部特征输入所述原始销量预测模型以重新进行训练，得到一优化销量预测模型，然后将所述第二商品特征以及所述第一外部特征输入所述优化销量预测模型中，触发所述优化销量预测模型计算所述销量异常商品的预测销量数据。
其中，通过所述销量异常商品的所述历史销量数据、所述第二商品特征以及所述第二外部特征重新训练所述原始销量模型时，能够对所述原始销量预测模型进行进一步强化，使得到的优化销量预测模型更适用于各类商品(包括销售异常商品)的销量数据的预测。
步骤S18，根据所述预测销量数据以及所述库存量数据确定所述待销售商品的补货量数据。
后续，所述计算机装置可以将所述补货量数据发送至所述电子终端。其中，所述补货量数据等于所述预测销量数据与所述库存量数据之间的差值。
请进一步参阅图2，在本实施方式中，所述补货量确定方法还可进一步包括如下步骤：
步骤S19，向所述电子终端发送一第二查询指令，所述第二查询指令用于控制所述电子终端查询所述销售门店中所述待销售商品的实际销量数据，并将所述实际销售数据发送至所述计算机装置。其中，所述第二查询指令控制所述电子终端查询下一预设时间段内的历史销量数据，并将所述历史销量数据作为所述实际销量数据。
步骤S20，当所述实际销量数据与所述预测销量数据不一致时，将所述实际销量数据输入所述优化销量预测模型，从而对所述优化销量预测模型进行修正。
其中，当所述实际销量数据与所述预测销量数据不一致时，可以将所述实际销量数据以及对应的商品特征和外部特征输入所述优化销量预测模型中进行重新训练。对所述优化销量预测模型进行修正后，使用修正后的所述优化销量预测模型来计算所述预测销量数据，有利于提高所述预测销量数据的精确性。
上述图1和图2详细介绍了本发明的补货量确定方法，下面结合图3和图4，对实现所述补货量确定方法的软件装置的功能模块以及实现所述补货量确定方法的硬件装置架构进行介绍。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
实施例二
图3为本发明的基于数据分析的补货量确定装置较佳实施例的结构图。
在一些实施例中，所述补货量确定装置10运行于计算机装置中。所述补货量确定装置10可以包括多个由程序代码段所组成的功能模块。所述补货量确定装置10中的各个程序段的程序代码可以存储于计算机装置的存储器中，并由所述至少一个处理器所执行，以实现补货量确定功能。
本实施例中，所述补货量确定装置10根据其所执行的功能，可以被划分为多个功能模块。参阅图3所示，所述功能模块可以包括：第一查询模块101、接收模块102、确定模块103、获取模块104、判断模块105、第一数据输入模块106、第二数据输入模块107以及补货量确定模块108。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在本实施例中，关于各模块的功能将在后续的实施例中详述。
所述第一查询模块101用于向至少一电子终端发送一第一查询指令，所述第一查询指令用于控制所述电子终端查询所述销售门店中每一待销售商品的库存量数据。
在本实施方式中，由于销售门店通常都会记录每一待销售商品的进货数据以及历史销量数据并存储于所述电子终端中，因此，所述电子终端能够在接收到所述第一查询指令时，直接查询所存储的所述待销售商品的历史销量数据。其中，所述历史库存量数据可根据所述商品的进货数据以及历史销量数据计算获得。
其中，所述第一查询指令中包括早于当前时间的一预设时间段，所述预设时间段的开始时间以及结束时间可以根据实际需要进行设置。如，所述预设时间段为：从2018年9月1日至2018年9月30日。在接收到所述第一查询指令时，所述电子终端查询所述预设时间段内的所述库存量数据。
所述接收模块102用于接收所述电子终端所查询的所述待销售商品的库存量数据。
所述确定模块103用于确定一晚于当前时间的补货量预测时间段。其中，当所述计算机装置想要获知未来某一时间段的所述待销售商品的补货量时，便可以将所述时间段设定为所述预设时间段。所述确定模块103还用于确定每一所述待销售商品的第一商品特征以及所述补货量预测时间段对应的第一外部特征。
在本实施方式中，所述第一商品特征为对所述待销售商品的历史销量数据影响较大的特征，所述第一商品特征包括，但并不限于，所述待销售商品的商品种类、品牌以及销售价格等。
在本实施方式中，所述第一外部特征包括所述补货量预测时间段对应的时间属性以及天气特征中的至少一个。
其中，所述时间属性可以通过查找所述补货量预测时间段的日历得到。所述时间属性可以划分为工作日、双休日、节假日等；不同时间属性下当天不同商品种类对应的销售量通常具有较大的区别，例如，工作日中，面包、牛奶、便捷类生活用品等商品销量较高；双休日中，粮油、调料、大型生活日化类等商品销量较高；而节假日中，礼盒类、烟酒类、轻奢类的商品销量较高。
所述天气特征可以通过查询天气预报得到。所述天气特征可以包含温度、湿度、风速、雨雪、压强等参数。不同天气特征下当天不同商品种类对应的销售量也通常具有较大的区别，例如，高温天气下，饮料、雪糕等商品销量较高；阴冷天气下，饼干、零食等商品销量较高；而雨雪天气下，由于行人外出受阻，可能所有的商品销量均较低。
所述获取模块104用于从网络上获取当前的销量异常商品以及所述销量异常商品的历史销量数据。所述确定模块103还用于确定所述销量异常商品的第二商品特征以及所述历史销量数据对应时间段的第二外部特征。
在本实施方式中，所述获取模块104通过网络接口从网络上获取所述销量异常商品以及所述销量异常商品的历史销量数据。其中，所述网络接口可为有线网络接口或无线网络接口。优选地，所述无线网络接口为Wi-Fi接口。
其中，所述销量异常商品包括畅销商品以及滞销商品。在本实施方式中，所述获取模块104通过网络连接多个虚拟购物平台，并从所述虚拟购物平台中获取所述销量异常商品以及所述销量异常商品的历史销量数据。进一步地，所述获取模块104还可通过网络连接至少一搜索引擎，并根据预设关键字通过所述搜索引擎搜索出所述销量异常商品以及所述销量异常商品的历史销量数据。具体地，所述预设关键词可划分为第一类预设关键词以及第二类预设关键词，所述第一类预设关键词可设置为“畅销”、“滞销”、“大卖”、“断货”等，所述第二类预设关键词可设置为“销量”、“销售量”等。当所述获取模块104搜索到包括所述预设关键词的网页时，定位所述预设关键词并提取所述预设关键词对应的内容，并将所提取的内容作为所述销量异常商品以及所述销量异常商品的历史销量数据。为提高内容提取的准确性，由于每一预设关键词对应的内容通常与所述预设关键词位于同一段落，在本实施方式中，在定位所述预设关键词在所述网页中的位置后，所述获取模块104还识别与所述预设关键词位于同一段落的段落内容，对所述段落内容进行语言逻辑关系分析，从而将所述段落内容拆分为至少一词语单元，然后将符合特定语义的词语单元作为所述关键词对应的所述内容提取出来。
例如，所述网页部分记载了：要说这个初夏最畅销的，全家连锁超市的椰子冻俨然成了新一届网红…。
因此，在定位第一类预设关键词“畅销”在所述网页中的位置时，所述获取模块104识别同一段落的段落内容“要说这个初夏最畅销的，全家连锁超市的椰子冻俨然成了新一届网红”，然后，根据语言逻辑分析将所述合同内容拆分为“要说”、“这个初夏”、“最畅销的”、“全家连锁超市的”、“椰子冻”、“俨然成了”以及“新一届网红”，由于“椰子冻”最符合商品的语义，所述计算机装置将“椰子冻”作为第一类预设关键词“畅销”后对应的内容并提取出来。
在本实施方式中，所述第二商品特征为对所述销量异常商品的历史销量数据影响较大的特征，所述第二商品特征包括，但并不限于，所述待销售商品的商品种类、品牌以及销售价格等。
在本实施方式中，所述第二外部特征包括所述历史销量数据对应时间段的时间属性以及天气特征中的至少一个。
所述判断模块105用于判断所述待销售商品是否属于所述销量异常商品的其中一种。
所述第一数据输入模块106用于当所述待销售商品不属于所述销量异常商品的其中一种时，将所述待销售商品的所述第一商品特征以及所述第一外部特征数据输入一预先训练得到的原始销量预测模型中，触发所述原始销量预测模型计算所述待销售商品的预测销量数据。
在本实施方式中，所述销量预测模型为所述计算机装置根据所述待销售商品的多组历史销量数据以及对应的商品特征和外部特征训练得到。其中，在训练所述销量预测模型之前，所述查询请求模块101还用于从所述电子终端获取所述历史销量数据，将所述历史销量数据以及对应的商品特征和外部特征输入至预设的机器学习模型中进行训练，直至机器学习模型的损失函数值收敛，结束训练，得到所述原始销量预测模型。由于采用多组历史销量数据以及对应的商品特征和外部特征对所述销量预测模型进行训练，作为一种有监督学习，有利于得到更加合理的预测模型，从而能够对未来的销量数据进行更加准确的预测。其中，训练所述销量预测模型时，可使用机器学习算法，如逻辑回归(LogisticRegression，简称LR)算法、支持向量机(Support Vector Machine，简称SVM)算法以及迭代的决策树(Gradient Boosting Decision Tree，简称GBDT)算法等标准的二分类训练方法，或是一类支持向量机(One Class SVM)等单分类训练方法。
所述第二数据输入模块107用于当所述待销售商品属于所述销量异常商品的其中一种时，将所述销量异常商品的所述历史销量数据、所述第二商品特征以及所述第二外部特征输入所述原始销量预测模型以重新进行训练，得到一优化销量预测模型，然后将所述第二商品特征以及所述第一外部特征输入所述优化销量预测模型中，触发所述优化销量预测模型计算所述销量异常商品的预测销量数据。
其中，通过所述销量异常商品的所述历史销量数据、所述第二商品特征以及所述第二外部特征重新训练所述原始销量模型时，能够对所述原始销量预测模型进行进一步强化，使得到的优化销量预测模型更适用于各类商品(包括销售异常商品)的销量数据的预测。
所述补货量确定模块108用于根据所述预测销量数据以及所述库存量数据确定所述待销售商品的补货量数据，并将所述补货量数据发送至所述电子终端。
其中，所述补货量数据等于所述预测销量数据与所述库存量数据之间的差值。
在本实施方式中，所述补货量确定装置10还可包括一第二查询模块109以及一修正模块110。所述第二查询模块109用于向所述电子终端发送一第二查询指令，所述第二查询指令用于控制所述电子终端查询所述销售门店中所述待销售商品的实际销量数据，并将所述实际销售数据发送至所述计算机装置。其中，所述第二查询指令控制所述电子终端查询下一预设时间段内的历史销量数据，并将所述历史销量数据作为所述实际销量数据。
所述修正模块110用于所述实际销量数据与所述预测销量数据不一致时，将所述实际销量数据输入所述优化销量预测模型，从而对所述优化销量预测模型进行修正。
其中，当所述实际销量数据与所述预测销量数据不一致时，可以将所述实际销量数据以及对应的商品特征和外部特征输入所述优化销量预测模型中进行重新训练。对所述优化销量预测模型进行修正后，使用修正后的所述优化销量预测模型来计算所述预测销量数据，有利于提高所述预测销量数据的精确性。
如前所述，本发明实施例的补货量确定装置，能够结合待销售商品以及销量异常商品的历史销量数据，利用机器学习获得各类商品的预测销量数据，为预测补货量提供科学的数据支持，提高决策的正确性。
实施例三
图4为本发明计算机装置较佳实施例的示意图。
所述计算机装置1包括存储器20、处理器30以及存储在所述存储器20中并可在所述处理器30上运行的计算机程序40，例如基于数据分析的补货量确定程序。所述处理器30执行所述计算机程序40时实现上述补货量确定方法实施例中的步骤，例如图1至图2所示的步骤S11～S20。或者，所述处理器30执行所述计算机程序40时实现上述补货量确定装置实施例中各模块/单元的功能，例如图3中的模块101-110。
示例性的，所述计算机程序40可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器20中，并由所述处理器30执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序40在所述计算机装置1中的执行过程。例如，所述计算机程序40可以被分割成图3中的第一查询模块101、接收模块102、确定模块103、获取模块104、判断模块105、第一数据输入模块106、第二数据输入模块107、补货量确定模块108、第二查询模块109以及修正模块110。各模块具体功能参见实施例二。
所述计算机装置1可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。本领域技术人员可以理解，所述示意图仅仅是计算机装置1的示例，并不构成对计算机装置1的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述计算机装置1还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器30也可以是任何常规的处理器等，所述处理器30是所述计算机装置1的控制中心，利用各种接口和线路连接整个计算机装置1的各个部分。
所述存储器20可用于存储所述计算机程序40和/或模块/单元，所述处理器30通过运行或执行存储在所述存储器20内的计算机程序和/或模块/单元，以及调用存储在存储器20内的数据，实现所述计算机装置1的各种功能。所述存储器20可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据计算机装置1的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器20可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述计算机装置1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
在本发明所提供的几个实施例中，应该理解到，所揭露的计算机装置和方法，可以通过其它的方式实现。例如，以上所描述的计算机装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
另外，在本发明各个实施例中的各功能单元可以集成在相同处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在相同单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。计算机装置权利要求中陈述的多个单元或计算机装置也可以由同一个单元或计算机装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (9)

1.一种基于数据分析的补货量确定方法，应用于一计算机装置中，所述计算机装置能够与多个电子终端进行通信，每一电子终端应用于一销售门店，其特征在于，所述补货量确定方法包括：
向至少一电子终端发送一第一查询指令，所述第一查询指令用于控制所述电子终端查询所述销售门店中每一待销售商品的库存量数据；
接收所述电子终端所查询的所述待销售商品的库存量数据，并确定一晚于当前时间的补货量预测时间段；
确定每一所述待销售商品的第一商品特征以及所述补货量预测时间段对应的第一外部特征；
从网络上获取当前的销量异常商品以及所述销量异常商品的历史销量数据，确定所述销量异常商品的第二商品特征以及所述历史销量数据对应时间段的第二外部特征；
判断所述待销售商品是否属于所述销量异常商品的其中一种；
当所述待销售商品不属于所述销量异常商品的其中一种时，将所述待销售商品的所述第一商品特征以及所述第一外部特征输入一预先训练得到的原始销量预测模型中，触发所述原始销量预测模型计算所述待销售商品的预测销量数据；
当所述待销售商品属于所述销量异常商品的其中一种时，将所述销量异常商品的所述历史销量数据、所述第二商品特征以及所述第二外部特征输入所述原始销量预测模型以重新进行训练，得到一优化销量预测模型，然后将所述第二商品特征以及所述第一外部特征输入所述优化销量预测模型中，触发所述优化销量预测模型计算所述销量异常商品的预测销量数据；以及
根据所述预测销量数据以及所述库存量数据确定所述待销售商品的补货量数据。
2.如权利要求1所述的补货量确定方法，其特征在于，所述根据所述预测销量数据以及所述库存量数据确定所述待销售商品的补货量数据之后，还包括：
向所述电子终端发送一第二查询指令，所述第二查询指令用于控制所述电子终端查询所述销售门店中所述待销售商品的实际销量数据；
接收所述电子终端所查询的所述实际销量数据；以及
将所述实际销量数据与所述预测销量数据输入所述优化销量预测模型，从而对所述优化销量预测模型进行修正。
3.如权利要求2所述的补货量确定方法，其特征在于，所述第一查询指令中包括早于当前时间的一预设时间段，使所述第一查询指令控制所述电子终端查询所述预设时间段内的所述库存量数据，所述第二查询指令中包括晚于当前时间的下一所述预设时间段，从而控制所述电子终端查询下一所述预设时间段内的历史销量数据，并将所述历史销量数据作为所述实际销量数据。
4.如权利要求1所述的补货量确定方法，其特征在于，所述计算机装置通过网络连接多个虚拟购物平台，并从所述虚拟购物平台中获取所述销量异常商品以及所述销量异常商品的历史销量数据。
5.如权利要求1所述的补货量确定方法，其特征在于，所述计算机装置通过网络连接至少一搜索引擎，并根据预设关键字通过所述搜索引擎搜索出所述销量异常商品以及所述销量异常商品的历史销量数据。
6.如权利要求1所述的补货量确定方法，其特征在于，所述原始销量预测模型为所述计算机装置从所述电子终端获取所述待销售商品的历史销量数据，将所述历史销量数据以及对应的商品特征和第一外部特征输入至预设的机器学习模型中进行训练，从而得到所述原始销量预测模型。
7.一种基于数据分析的补货量确定装置，应用于一计算机装置中，所述计算机装置能够与多个电子终端进行通信，每一电子终端应用于一销售门店中，其特征在于，所述补货量确定装置包括：
第一查询模块，用于向至少一电子终端发送一第一查询指令，所述第一查询指令用于控制所述电子终端查询所述销售门店中每一待销售商品的库存量数据；
接收模块，用于接收所述电子终端所查询的所述待销售商品的库存量数据；
确定模块，用于确定一晚于当前时间的补货量预测时间段，并确定每一所述待销售商品的第一商品特征以及所述补货量预测时间段对应的第一外部特征；
获取模块，用于从网络上获取当前的销量异常商品以及所述销量异常商品的历史销量数据，所述确定模块还用于确定所述销量异常商品的第二商品特征以及所述历史销量数据对应时间段的第二外部特征；
判断模块，用于判断所述待销售商品是否属于所述销量异常商品的其中一种；
第一数据输入模块，用于当所述待销售商品不属于所述销量异常商品的其中一种时，将所述待销售商品的所述第一商品特征以及所述第一外部特征输入一预先训练得到的原始销量预测模型中，触发所述原始销量预测模型计算所述待销售商品的预测销量数据；
第二数据输入模块，用于当所述待销售商品属于所述销量异常商品的其中一种时，将所述销量异常商品的所述历史销量数据、所述第二商品特征以及所述第二外部特征输入所述原始销量预测模型以重新进行训练，得到一优化销量预测模型，然后将所述第二商品特征以及所述第一外部特征输入所述优化销量预测模型中，触发所述优化销量预测模型计算所述销量异常商品的预测销量数据；以及
补货量确定模块，用于根据所述预测销量数据以及所述库存量数据确定所述待销售商品的补货量数据。
8.一种计算机装置，其特征在于：所述计算机装置包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1-6中任一项所述的基于数据分析的补货量确定方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1-6中任一项所述的基于数据分析的补货量确定方法。
CN201910378326.0A 2019-05-08 2019-05-08 补货量确定方法、装置、计算机装置及存储介质 Active CN110400103B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910378326.0A CN110400103B (zh) 2019-05-08 2019-05-08 补货量确定方法、装置、计算机装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910378326.0A CN110400103B (zh) 2019-05-08 2019-05-08 补货量确定方法、装置、计算机装置及存储介质

Publications (2)

Publication Number Publication Date
CN110400103A CN110400103A (zh) 2019-11-01
CN110400103B true CN110400103B (zh) 2022-10-18

Family

ID=68322957

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910378326.0A Active CN110400103B (zh) 2019-05-08 2019-05-08 补货量确定方法、装置、计算机装置及存储介质

Country Status (1)

Country Link
CN (1) CN110400103B (zh)

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112948763B (zh) * 2019-12-11 2024-04-09 顺丰科技有限公司 件量预测方法、装置、电子设备及存储介质
CN111178963A (zh) * 2019-12-27 2020-05-19 深圳市云积分科技有限公司 一种会员生命周期管理方法和装置
CN111160978A (zh) * 2019-12-30 2020-05-15 北京每日优鲜电子商务有限公司 业务处理方法、装置、存储介质及设备
CN111352945A (zh) * 2020-02-28 2020-06-30 杭州网易再顾科技有限公司 一种库存供应链管理系统、方法、装置、设备及介质
CN111476626A (zh) * 2020-03-04 2020-07-31 珠海市百岛科技有限公司 智能订水方法及智能水站系统
CN111401636B (zh) * 2020-03-16 2023-10-17 第四范式（北京）技术有限公司 实现连锁商家智能补货的方法及系统
CN113537850A (zh) * 2020-04-14 2021-10-22 顺丰科技有限公司 仓储优化方法、装置、计算机设备和存储介质
CN111882358B (zh) * 2020-07-30 2024-05-24 杭州翔毅科技有限公司 基于直播平台的数据管控方法、设备、存储介质及装置
CN111882278A (zh) * 2020-07-30 2020-11-03 上海百胜软件股份有限公司 一种智能补货方法及系统
CN112184340A (zh) * 2020-11-06 2021-01-05 杭州拼便宜网络科技有限公司 一种快消品自动补货系统及其工作方法
CN112487780A (zh) * 2020-11-30 2021-03-12 德安（常州）自动化科技有限公司 一种订单数据排版优化方法及系统
CN113762701A (zh) * 2021-03-26 2021-12-07 北京京东拓先科技有限公司 物品补货方法、装置以及存储介质
TWI793580B (zh) * 2021-04-21 2023-02-21 財團法人工業技術研究院 庫存自動化管理方法及其系統
CN113283671B (zh) * 2021-06-22 2022-05-17 润联软件系统(深圳)有限公司 一种预测补货量的方法、装置、计算机设备及存储介质
CN113781168A (zh) * 2021-09-07 2021-12-10 深圳壹账通智能科技有限公司 一种零部件展示方法、装置、设备及存储介质
CN113869938A (zh) * 2021-09-09 2021-12-31 杭州铭信信息科技有限公司 一种日清生鲜门店智能订货方法
CN113781186B (zh) * 2021-11-09 2022-04-08 山东沣品信息网络科技有限公司 一种基于大数据的商品营销管控方法、系统
CN114202292B (zh) * 2022-02-16 2022-05-31 北京每日菜场科技有限公司 备货信息发送方法、装置、电子设备和计算机可读介质
CN114663008B (zh) * 2022-03-08 2022-11-08 北京网鲜供应链科技有限公司 一种基于门店生鲜的智能补货系统
CN114596120B (zh) * 2022-03-15 2024-01-05 江苏衫数科技集团有限公司 一种商品销量预测方法、系统、设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109509030A (zh) * 2018-11-15 2019-03-22 北京旷视科技有限公司 销量预测方法及其模型的训练方法、装置和电子系统
CN109558992A (zh) * 2018-12-17 2019-04-02 广州甘来信息科技有限公司 基于自贩机的销售峰值预测方法、装置、设备及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8650079B2 (en) * 2004-02-27 2014-02-11 Accenture Global Services Limited Promotion planning system
US10311455B2 (en) * 2004-07-08 2019-06-04 One Network Enterprises, Inc. Computer program product and method for sales forecasting and adjusting a sales forecast
US20150032512A1 (en) * 2013-07-26 2015-01-29 Teradata Corporation Method and system for optimizing product inventory cost and sales revenue through tuning of replenishment factors

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109509030A (zh) * 2018-11-15 2019-03-22 北京旷视科技有限公司 销量预测方法及其模型的训练方法、装置和电子系统
CN109558992A (zh) * 2018-12-17 2019-04-02 广州甘来信息科技有限公司 基于自贩机的销售峰值预测方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN110400103A (zh) 2019-11-01

Similar Documents

Publication Publication Date Title
CN110400103B (zh) 补货量确定方法、装置、计算机装置及存储介质
US11978106B2 (en) Method and non-transitory, computer-readable storage medium for deep learning model based product matching using multi modal data
JP5965911B2 (ja) オンライン取引プラットフォームに基づくデータ処理
CN109840796B (zh) 决策因素分析装置与决策因素分析方法
CN109816482B (zh) 电商平台的知识图谱构建方法、装置、设备及存储介质
CN104077306A (zh) 一种搜索引擎的结果排序方法及系统
CN105159910A (zh) 信息推荐方法和装置
CN109816134B (zh) 收货地址预测方法、装置以及存储介质
CA3059929C (en) Text searching method, apparatus, and non-transitory computer-readable storage medium
CN109961198B (zh) 关联信息生成方法和装置
TW201537365A (zh) 資料搜索處理方法和系統
CN116308684B (zh) 一种网购平台店铺信息推送方法及系统
CN111310038B (zh) 信息推荐方法、装置、电子设备及计算机可读存储介质
CN111125491A (zh) 商品信息的搜索方法和装置、存储介质及电子装置
CN104615721A (zh) 用于基于退货关联信息推荐商品的方法和系统
CN108984735A (zh) 标签词库更新方法、装置及电子设备
CN110555713A (zh) 一种确定销量预测模型的方法和装置
CN110362702B (zh) 图片管理方法及设备
CN108563648B (zh) 数据显示方法和装置、存储介质及电子装置
CN110598094A (zh) 基于矩阵补全的购物推荐方法、电子设备及存储介质
CN113343095A (zh) 一种模型训练以及信息推荐方法及装置
US20230153286A1 (en) Method and system for hybrid query based on cloud analysis scene, and storage medium
CN106920108A (zh) 一种商品录入的方法及系统
CN116029794A (zh) 商品价格确定方法、装置、电子设备及存储介质
CN115860865A (zh) 商品组合构造方法及其装置、设备、介质、产品

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant